Pyecharts 背景介绍

在当今大数据时代，数据可视化已经成为信息表达的重要方式。无论是商业分析、科研探索，还是 Web 应用展示，直观的图表总能让数据讲述更生动的故事。而在 Python 生态中，Pyecharts 是一个强大且易用的数据可视化库，它基于 ECharts，提供了丰富的可视化组件，支持折线图、柱状图、饼图、地图等多种图表类型，且能够方便地集成到 Web 端和 Jupyter Notebook 中。

对于想要用 Python 实现高质量可视化的开发者来说，Pyecharts 是一个不错的选择。它不仅封装了强大的 ECharts 功能，还让复杂的交互图表变得更加简单。本文将介绍 Pyecharts 的核心功能，并通过示例展示如何使用它进行数据可视化，让你的数据更具表现力！

从官网的介绍来看，pyecharts 有以下诸多特性：

简洁的 API 设计，使用如丝滑般流畅，支持链式调用
囊括了 30+ 种常见图表，应有尽有
支持主流 Notebook 环境，Jupyter Notebook 和 JupyterLab
可轻松集成至 Flask，Django 等主流 Web 框架
高度灵活的配置项，可轻松搭配出精美的图表
详细的文档和示例，帮助开发者更快的上手项目
多达 400+ 地图文件以及原生的百度地图，为地理数据可视化提供强有力的支持

并且可以通过 pip 安装和源码安装两种方式来安装 pyecharts：

# 安装 v2 以上版本
$ pip install pyecharts -U

# 安装 v2 以上版本
$ git clone https://github.com/pyecharts/pyecharts.git

从 GitHub 的 pyecharts 官网来看，安装好 pyecharts 之后，就可以进行代码的运行，并可以在浏览器中看到数据可视化的效果。

from pyecharts.charts import Bar
from pyecharts import options as opts

# V1 版本开始支持链式调用
bar = (
    Bar()
    .add_xaxis(["衬衫", "毛衣", "领带", "裤子", "风衣", "高跟鞋", "袜子"])
    .add_yaxis("商家A", [114, 55, 27, 101, 125, 27, 105])
    .add_yaxis("商家B", [57, 134, 137, 129, 145, 60, 49])
    .set_global_opts(title_opts=opts.TitleOpts(title="某商场销售情况"))
)
bar.render()

通过生成的 render.html 文件，点开之后就可以看到柱状图的可视化效果。

同样的，在 Jupyter Notes 中也可以直接呈现出这些效果。另外，在 pyecharts 的图表类型里面，绝对不仅仅局限于柱状图，折线图、饼图、散点图都可以做出来。详情可以参见表格：

图表类型	适用场景
柱状图（Bar）	适用于分类数据的对比，如销售数据、人口分布
折线图（Line）	适用于趋势分析，如股票价格、温度变化
饼图（Pie）	适用于数据占比展示，如市场份额、人口构成
散点图（Scatter）	适用于数据分布分析，如身高体重关系、房价分布
地图（Map）	适用于地理数据可视化，如人口分布、疫情数据
热力图（Heatmap）	适用于二维数据分析，如温度分布、访问热度
词云（WordCloud）	适用于文本数据分析，如关键词分析
箱线图（Box Plot）	数据分布分析、离群值检测、统计描述。展示数据的最大值、最小值、中位数、四分位数及异常值，帮助识别数据的离散性和分布情况。
仪表盘（Gauge）	实时监控、KPI展示、进度追踪。适用于实时数据展示，显示目标进度或某项指标的当前状态。
漏斗图（Funnel）	销售漏斗、转化率分析、用户行为分析。用于展示数据流的逐步转化过程，适合分析各阶段转化情况。
树图（Tree）	组织结构、层级关系、分类展示。适用于展示层级结构，如公司组织架构、文件目录等。
平行坐标系图（Parallel Coordinates）	多维数据分析、机器学习特征分析。用于展示多维数据的关系，适合高维数据的可视化，如特征对比分析。
桑基图（Sankey Diagram）	数据流、能源流、资金流、转化流。展示不同阶段之间的数据流动和流量，适合展示数据的流向。
地理坐标系图（Geo）	地理数据展示、区域分布、人口分布。适合展示地理位置相关的数据，如城市人口、区域销售数据等。
时间线图（Timeline）	动态数据展示、时间序列分析、趋势展示。适用于随着时间变化的数据可视化，展示历史数据的变化趋势。
3D 散点图（3D Scatter）	三维数据展示、空间数据分析。用于展示三维空间中的数据点，适合显示三维数据分布。
3D 柱状图（3D Bar）	三维数据展示、空间分析。通过三维柱状图展示多维数据的对比，适合空间或高维数据展示。
3D 曲面图（3D Surface）	三维曲面展示、空间数据分析。适用于展示三维空间中的连续数据关系，如科学计算中的曲面拟合。

基础图表介绍

柱状图（Bar Chart）使用介绍

柱状图（Bar Chart）是最常见的图表类型之一，适用于展示不同类别之间的数量对比。它通过竖直或水平的条形来表示每个类别的数值大小，帮助我们快速识别出数据中的差异和趋势。

代码示例

from pyecharts.charts import Bar
from pyecharts import options as opts

# 创建柱状图对象
bar = Bar()

# 链式调用进行配置
bar.add_xaxis(["A", "B", "C", "D", "E"])  # 设置x轴类别
bar.add_yaxis("销量", [120, 200, 150, 80, 70])  # 设置y轴数据

# 设置全局配置
bar.set_global_opts(
    title_opts=opts.TitleOpts(title="销售数据", subtitle="2023年上半年"),
    xaxis_opts=opts.AxisOpts(name="商品"),
    yaxis_opts=opts.AxisOpts(name="销量")
)

# 渲染生成图表
bar.render()

代码解析

Bar()：创建一个柱状图对象。
add_xaxis(["A", "B", "C", "D", "E"])：设置 x 轴的类别，通常是你想要展示的各个分类（如商品、地区等）。
add_yaxis("销量", [120, 200, 150, 80, 70])：设置 y 轴的数据，即每个分类的数值。
set_global_opts()：用来设置图表的全局配置项，包括标题、x 轴和 y 轴的名称等。这里使用了链式调用来逐一设置标题、x 轴和 y 轴的配置。
render()：将图表渲染成 HTML 文件，方便在浏览器中查看。

运行上述代码后，会在当前目录下生成一个 render.html 文件，打开该文件可以看到柱状图的展示效果。该柱状图展示了商品 A、B、C、D、E 的销量数据，且带有标题和坐标轴名称。

除了基础配置，Pyecharts 还支持进一步定制柱状图的外观，例如设置柱子的颜色、添加图例、调整样式等。下面是一个进阶的示例，展示了如何进行更多的自定义。

from pyecharts.charts import Bar
from pyecharts import options as opts

# 创建柱状图对象
bar = Bar()

# 链式调用进行配置
bar.add_xaxis(["A", "B", "C", "D", "E"])  # 设置x轴类别
bar.add_yaxis("销量", [120, 200, 150, 80, 70], color="skyblue")  # 设置y轴数据并调整颜色
bar.add_yaxis("利润", [50, 100, 70, 60, 90], color="orange")  # 添加另一组y轴数据

# 设置全局配置
bar.set_global_opts(
    title_opts=opts.TitleOpts(title="销售数据", subtitle="2023年"),
    xaxis_opts=opts.AxisOpts(name="商品"),
    yaxis_opts=opts.AxisOpts(name="销量/利润"),
    legend_opts=opts.LegendOpts(pos_top="10%")  # 图例位置
)

# 渲染生成图表
bar.render("render_advanced.html")

代码解析

add_yaxis("销量", [120, 200, 150, 80, 70], color="skyblue")：为柱状图添加另一组数据，并设置柱子的颜色为“skyblue”。
add_yaxis("利润", [50, 100, 70, 60, 90], color="orange")：再次为柱状图添加一组数据，用于展示利润，颜色设置为“orange”。
legend_opts=opts.LegendOpts(pos_top="10%")：设置图例的位置，使其出现在图表的顶部。

用上述代码生成的图表如下所示：

折线图（Line Chart）使用介绍

折线图（Line Chart）是用于展示数据随时间变化趋势的常见图表类型。它通过将数据点连接成线段的方式，帮助用户识别数据变化的规律和趋势。折线图适用于时间序列数据、趋势分析、对比分析等场景。

在 Pyecharts 中，可以使用链式调用方式来非常方便地生成折线图，并进行多种定制化配置。

代码示例

from pyecharts.charts import Line
from pyecharts import options as opts

# 创建折线图对象
line = Line()

# 链式调用进行配置
line.add_xaxis(["Jan", "Feb", "Mar", "Apr", "May", "Jun", "Jul"])  # 设置x轴标签（月份）
line.add_yaxis("销量", [150, 200, 180, 220, 240, 280, 300])  # 设置y轴数据（销量）

# 设置全局配置
line.set_global_opts(
    title_opts=opts.TitleOpts(title="2023年上半年销量趋势"),
    xaxis_opts=opts.AxisOpts(name="月份"),
    yaxis_opts=opts.AxisOpts(name="销量"),
    tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="line")  # 设置悬浮提示框
)

# 渲染生成图表
line.render()

代码解析

Line()：创建一个折线图对象。
add_xaxis(["Jan", "Feb", "Mar", "Apr", "May", "Jun", "Jul"])：设置 x 轴标签，这里是月份。
add_yaxis("销量", [150, 200, 180, 220, 240, 280, 300])：设置 y 轴数据，这里是每个月的销量数据。
set_global_opts()：设置全局配置，包括图表的标题、坐标轴名称等。
- title_opts=opts.TitleOpts(title="2023年上半年销量趋势")：设置图表的标题。
- xaxis_opts=opts.AxisOpts(name="月份") 和 yaxis_opts=opts.AxisOpts(name="销量")：设置 x 轴和 y 轴的名称。
- tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="line")：设置提示框，鼠标悬浮时会显示相应的数据。
render()：生成 HTML 文件并渲染折线图，可以通过浏览器打开查看。

Pyecharts 还支持在同一个折线图中展示多条折线，适用于对比多个系列的数据。此外，还可以定制折线的颜色、线条样式、图例等。下面是一个进阶示例，展示了如何在折线图中绘制多条折线，并进行更多样式的自定义。

from pyecharts.charts import Line
from pyecharts import options as opts

# 创建折线图对象
line = Line()

# 添加x轴
line.add_xaxis(["Jan", "Feb", "Mar", "Apr", "May", "Jun", "Jul"])

# 添加销量数据线
line.add_yaxis("销量", [150, 200, 180, 220, 240, 280, 300], color="skyblue", is_smooth=True, linestyle_opts=opts.LineStyleOpts(width=2))

# 添加利润数据线
line.add_yaxis("利润", [50, 100, 70, 60, 90, 150, 200], color="orange", is_smooth=True, linestyle_opts=opts.LineStyleOpts(width=2, type_="dashed"))

# 设置全局配置
line.set_global_opts(
    title_opts=opts.TitleOpts(title="2023年上半年销售与利润趋势"),
    xaxis_opts=opts.AxisOpts(name="月份"),
    yaxis_opts=opts.AxisOpts(name="金额"),
    legend_opts=opts.LegendOpts(pos_top="5%"),  # 设置图例位置
    tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="line")  # 提示框
)

# 渲染生成图表
line.render("render_advanced.html")

代码解析

is_smooth=True：使折线图的线条变得平滑，避免折线过于尖锐。
linestyle_opts=opts.LineStyleOpts(width=2)：设置折线的宽度为 2。
color="skyblue" 和 color="orange"：分别为销量线和利润线设置不同的颜色。
type_="dashed"：设置利润线为虚线样式。
legend_opts=opts.LegendOpts(pos_top="5%")：设置图例的位置为顶部。

使用上述配置，将得到一个包含两条折线的图表，分别表示“销量”和“利润”，并且每条折线有不同的颜色、样式和图例。生成的图表将帮助你更加清晰地对比不同指标之间的关系。

饼图（Pie Chart）使用介绍

饼图（Pie Chart）是一种常见的统计图表，用于展示数据各部分占总量的比例。它通过一个圆形图形，将整体数据分成若干扇形区域，每个区域的角度代表该部分占总体的比例。饼图通常用于展示各个部分对总量的贡献，特别适用于数据分布较为离散或比例关系显著的场景。饼图具有直观、简洁的特点，非常适合用来展示市场份额、销售比例、人口分布等场景。

饼图的适用场景

市场份额分析：展示各个品牌或公司在市场中的份额。
财务数据展示：比如收入、支出的分布情况。
人口或地区分布：例如某个地区不同年龄段的比例。
产品分类统计：展示不同产品销售比例。

代码示例

from pyecharts.charts import Pie
from pyecharts import options as opts

# 创建饼图对象
pie = Pie()

# 链式调用进行配置
pie.add(
    "销售额",  # 数据系列名称
    [("苹果", 30), ("香蕉", 20), ("橙子", 50)],  # 数据内容：水果及其对应的销售额
    radius=["30%", "75%"],  # 饼图的半径范围
)

# 设置全局配置
pie.set_global_opts(
    title_opts=opts.TitleOpts(title="2023年水果销售占比"),
    legend_opts=opts.LegendOpts(orient="vertical", pos_top="15%", pos_left="2%"),  # 设置图例位置
)

# 渲染生成图表
pie.render()

代码解析

Pie()：创建一个饼图对象。
add()：用于添加数据。第一个参数是系列名称，这里是“销售额”。第二个参数是数据，包含了水果名称和对应的销售额。radius 用于设置饼图的半径，["30%", "75%"] 表示饼图的内半径和外半径，控制图形的大小和内外环之间的空隙。
set_global_opts()：设置全局配置项，包括图表的标题、图例的位置等。
- title_opts=opts.TitleOpts(title="2023年水果销售占比")：设置饼图的标题。
- legend_opts=opts.LegendOpts(orient="vertical", pos_top="15%", pos_left="2%")：设置图例的位置，图例采用垂直排列，位置靠左并放置在图表的顶部。
render()：生成 render.html 文件，使用浏览器打开即可查看图表效果。

Pyecharts 还支持更多的自定义选项，比如突出显示某个扇区、设置标签显示、调整动画效果等。以下是一个进阶的示例，展示了如何突出显示某个数据点，并显示详细标签。

代码示例

from pyecharts.charts import Pie
from pyecharts import options as opts

# 创建饼图对象
pie = Pie()

# 链式调用进行配置
pie.add(
    "销售额",  # 数据系列名称
    [("苹果", 30), ("香蕉", 20), ("橙子", 50)],
    radius=["30%", "75%"],  # 饼图的半径范围
    label_opts=opts.LabelOpts(
        is_show=True,  # 显示标签
        position="outside",  # 标签位置在扇形外部
        formatter="{b}: {c} ({d}%)",  # 标签内容，显示类别、数值和百分比
    ),
)

# 设置全局配置
pie.set_global_opts(
    title_opts=opts.TitleOpts(title="2023年水果销售占比"),
    legend_opts=opts.LegendOpts(orient="vertical", pos_top="15%", pos_left="2%"),
)

# 渲染生成图表
pie.render("render_advanced.html")

代码解析

label_opts=opts.LabelOpts(is_show=True, position="outside", formatter="{b}: {c} ({d}%)")：控制标签的显示和格式，position="outside" 将标签放置在扇形的外侧，formatter="{b}: {c} ({d}%)" 设置标签内容显示为“类别: 数值（百分比）”。

饼图的每个扇区都标有相应的标签，显示该类别的数值和占总量的百分比，同时标签线也经过了样式调整。生成的图表将更加清晰，用户能够轻松识别每个部分的具体信息。

散点图（Scatter Plot）使用介绍

散点图（Scatter Plot）通常用于展示两个变量之间的关系，比如在医学研究中，身高和体重之间的关系就是一个经典的分析场景。我们将用一个简单的例子来展示如何使用 Pyecharts 绘制散点图，并分析数据点之间的趋势。

在这个示例中，我们将生成一组虚拟的身高和体重数据，并通过散点图展示身高与体重之间的关系。假设身高和体重之间有某种程度的线性相关性，散点图将帮助我们直观地观察这一点。

数据示例

假设我们有以下数据：

身高（cm）：一个人的身高一般在 150cm 到 200cm 之间。
体重（kg）：根据身高，体重会有所不同，一般来说，身高越高，体重大致也会越大。

我们将生成一些模拟数据，展示身高与体重之间的关系。

代码示例

from pyecharts.charts import Scatter
from pyecharts import options as opts
import random

# 创建散点图对象
scatter = Scatter()

# 生成身高（cm）和体重（kg）数据
height = [random.randint(150, 200) for _ in range(50)]  # 随机生成50个身高数据
weight = [round(h * 0.5 + random.randint(10, 20), 1) for h in height]  # 假设体重与身高成正比，并添加随机偏差

# 将身高和体重数据配对
data = list(zip(height, weight))

# 添加身高和体重数据
scatter.add_xaxis([d[0] for d in data])  # 将身高数据作为 X 轴
scatter.add_yaxis("体重", [d[1] for d in data], symbol_size=8, color="#ff7f50")  # 将体重数据作为 Y 轴，并设置颜色

# 设置全局配置
scatter.set_global_opts(
    title_opts=opts.TitleOpts(title="身高与体重的关系", subtitle="散点图展示身高与体重之间的相关性"),
    xaxis_opts=opts.AxisOpts(
        name="身高 (cm)", type_="value", name_location="middle", name_gap=30
    ),
    yaxis_opts=opts.AxisOpts(
        name="体重 (kg)", type_="value", name_location="middle", name_gap=30
    ),
    tooltip_opts=opts.TooltipOpts(
        trigger="item",  # 触发方式为“item”
        formatter="身高: {b} cm<br/>体重: {c} kg",  # 格式化提示框内容，显示身高和体重
    ),
    visualmap_opts=opts.VisualMapOpts(
        min_=50,
        max_=150,
        dimension=1,  # 按体重的值进行颜色映射
        range_color=["#d94e5d", "#eac736", "#50a3ba"],  # 配置颜色范围
    ),
)

# 渲染生成图表
scatter.render()

代码解析

使用 Scatter() 创建一个散点图对象，后续的配置和数据添加都将在此对象上进行。
height：我们用 random.randint(150, 200) 随机生成 50 个介于 150cm 到 200cm 之间的身高数据。
weight：体重是根据身高生成的。假设体重大致与身高成正比，h * 0.5 是体重与身高的比例，随机加上一个范围在 10 到 20 之间的偏差，使得数据看起来更自然。
add_xaxis()：将 height 数据作为 X 轴的值传入。
add_yaxis()：将 weight 数据作为 Y 轴的值传入，并设置点的大小为 8，颜色为 #ff7f50（一种橙色）。
title_opts：设置图表的标题为“身高与体重的关系”。
xaxis_opts 和 yaxis_opts：分别设置 X 轴和 Y 轴的名称，并调整名称的位置。
tooltip_opts：配置鼠标悬浮时的提示框，显示身高和体重的具体数值。
visualmap_opts：根据体重值设置颜色映射，从红色到蓝色，体重越大，颜色越接近蓝色。
使用 render() 方法将图表渲染到一个 HTML 文件中，这样我们可以在浏览器中查看该图表。

展示效果

生成的散点图会展示 50 个身高与体重数据点，其中：

X 轴表示身高（单位：cm）。
Y 轴表示体重（单位：kg）。
数据点的颜色从红色到蓝色，代表不同的体重值，颜色越蓝表示体重大，颜色越红表示体重较小。
鼠标悬停在某个数据点时，提示框会显示该点的身高和体重。

通过 Pyecharts，我们可以快速绘制出身高与体重之间的关系散点图。该图表不仅直观地展示了数据点之间的相关性，还通过颜色映射、交互提示等增强了可读性和易用性。使用 Pyecharts 的散点图，不仅可以用于类似的线性数据分析，还可以扩展到多维度数据的可视化分析中。

图表排版

多个图表竖排

当我们掌握了各种图表的基本使用方法后，接下来一个非常重要的任务就是将这些图表有效地集成到网页中，展示数据的可视化效果。Pyecharts 提供了非常方便的功能，让我们能够将图表生成 HTML 文件，并嵌入到网页中进行展示。通过将图表集成到网页，用户不仅能够与数据进行互动，还能够获得更加直观、动态的展示效果。

在接下来的内容中，我们将详细介绍如何将多个图表（如柱状图、折线图、散点图等）融合到一个网页中，并通过 HTML 和 JavaScript 来增强页面的交互性和用户体验。通过这种方式，你可以将不同类型的图表展示在同一页面上，利用 Pyecharts 提供的丰富配置选项，轻松实现数据可视化的多样性和灵活性。

from pyecharts.charts import Bar, Line, Pie, Scatter, Page
from pyecharts import options as opts
import random

# 创建柱状图
bar = Bar()
bar.add_xaxis(["A", "B", "C", "D", "E"])
bar.add_yaxis("类别1", [random.randint(10, 100) for _ in range(5)], color="#d94e5d")
bar.add_yaxis("类别2", [random.randint(10, 100) for _ in range(5)], color="#50a3ba")
bar.set_global_opts(
    title_opts=opts.TitleOpts(title="柱状图示例"),
    xaxis_opts=opts.AxisOpts(name="类别"),
    yaxis_opts=opts.AxisOpts(name="值"),
)

# 创建折线图
line = Line()
line.add_xaxis(["Jan", "Feb", "Mar", "Apr", "May"])
line.add_yaxis("销售额", [random.randint(100, 500) for _ in range(5)], color="#ff7f50")
line.set_global_opts(
    title_opts=opts.TitleOpts(title="折线图示例"),
    xaxis_opts=opts.AxisOpts(name="月份"),
    yaxis_opts=opts.AxisOpts(name="销售额"),
)

# 创建饼图
pie = Pie()
pie.add("产品占比", [("产品A", 40), ("产品B", 30), ("产品C", 20), ("产品D", 10)])
pie.set_global_opts(title_opts=opts.TitleOpts(title="饼图示例"))

# 创建散点图
scatter = Scatter()
x_data = [random.randint(1, 100) for _ in range(30)]
y_data = [random.randint(1, 100) for _ in range(30)]
scatter.add_xaxis(x_data)
scatter.add_yaxis("散点数据", y_data, symbol_size=8, color="#ff7f50")
scatter.set_global_opts(
    title_opts=opts.TitleOpts(title="散点图示例"),
    xaxis_opts=opts.AxisOpts(name="X轴"),
    yaxis_opts=opts.AxisOpts(name="Y轴"),
)

# 使用 Page 将多个图表放在一个页面中
page = Page()
page.add(bar, line, pie, scatter)

# 渲染页面到 HTML 文件
page.render("combined_chart.html")

print("所有图表已合并到 combined_chart.html 文件中。")

通过执行这段代码，最终会生成一个名为 combined_chart.html 的文件。打开该文件后，你将看到一个网页，包含四个图表（柱状图、折线图、饼图、散点图），它们将呈现在同一个页面中，用户可以浏览并查看不同图表的数据。通过 Pyecharts 提供的 Page 类，我们可以方便地将多个图表集成到一个 HTML 页面中进行展示，提升数据展示的效果和用户体验。

拖拽图表

在很多场景下，我们需要根据各个图表的具体情况来进行拖拽式的展示，在这里，pyecharts 同样提供了一个拖拽式的功能。Save Config 按钮就是用来保存拖拽后的样式的。

from pyecharts.charts import Bar, Line, Pie, Scatter, Page
from pyecharts import options as opts
import random

# 创建柱状图
bar = Bar(init_opts=opts.InitOpts(width="50%", height="400px"))
bar.add_xaxis(["A", "B", "C", "D", "E"])
bar.add_yaxis("类别1", [random.randint(10, 100) for _ in range(5)], color="#d94e5d")
bar.add_yaxis("类别2", [random.randint(10, 100) for _ in range(5)], color="#50a3ba")
bar.set_global_opts(
    title_opts=opts.TitleOpts(title="柱状图示例"),
    xaxis_opts=opts.AxisOpts(name="类别"),
    yaxis_opts=opts.AxisOpts(name="值"),
)

# 创建折线图
line = Line(init_opts=opts.InitOpts(width="50%", height="400px"))
line.add_xaxis(["Jan", "Feb", "Mar", "Apr", "May"])
line.add_yaxis("销售额", [random.randint(100, 500) for _ in range(5)], color="#ff7f50")
line.set_global_opts(
    title_opts=opts.TitleOpts(title="折线图示例"),
    xaxis_opts=opts.AxisOpts(name="月份"),
    yaxis_opts=opts.AxisOpts(name="销售额"),
)

# 创建饼图
pie = Pie(init_opts=opts.InitOpts(width="50%", height="400px"))
pie.add("产品占比", [("产品A", 40), ("产品B", 30), ("产品C", 20), ("产品D", 10)])
pie.set_global_opts(title_opts=opts.TitleOpts(title="饼图示例"))

# 创建散点图
scatter = Scatter(init_opts=opts.InitOpts(width="50%", height="400px"))
x_data = [random.randint(1, 100) for _ in range(30)]
y_data = [random.randint(1, 100) for _ in range(30)]
scatter.add_xaxis(x_data)
scatter.add_yaxis("散点数据", y_data, symbol_size=8, color="#ff7f50")
scatter.set_global_opts(
    title_opts=opts.TitleOpts(title="散点图示例"),
    xaxis_opts=opts.AxisOpts(name="X轴"),
    yaxis_opts=opts.AxisOpts(name="Y轴"),
)

# 使用 Page 将多个图表放在一个页面中，调整为左右布局
page = Page(layout=Page.DraggablePageLayout, page_title="综合数据展示")
page.add(bar, line, pie, scatter)

# 渲染页面到 HTML 文件
page.render("combined_chart.html")

print("所有图表已合并到 combined_chart.html 文件中。")

这样会形成一个可以拖拽式的网页，拖拽完成之后点击左上角的 Save Config 按钮，可以得到一个 chart_config.json 文件。然后写一个新的脚本，运行下面的代码，即可将原有的 html 文件（’combined_chart.html’）和 chart_config.json 文件一起生成新的 html 文件（’combined_chart_resize.html’）并且符合拖拽后的样式。

from pyecharts.charts import Page
# 在生成的config上，重新生成chart
page = Page()
page.save_resize_html('combined_chart.html', cfg_file='chart_config.json', dest='combined_chart_resize.html')

通过 Page 的 DraggablePageLayout 布局，图表会以拖拽的方式自动排列。你可以通过手动调整页面上的每个图表位置。width="50%" 表示每个图表将占据页面宽度的一半，因此两个图表将并排显示。height="400px" 设置每个图表的高度为 400px，可以根据需要调整这个值。

增加标题

在数据可视化的场景中，需要给这个页面增加一个标题，在这里，可以使用一个空的饼图来实现，也就是只需要展示标题而不需要展示饼图的数据。

from pyecharts.charts import Bar, Line, Pie, Scatter, Page
from pyecharts import options as opts
import random

# 创建饼图，只显示标题
big_title = (
    Pie(init_opts=opts.InitOpts(width="50%", height="50px"))
    .set_global_opts(
        title_opts=opts.TitleOpts(
            title="数据可视化大屏",
            title_textstyle_opts=opts.TextStyleOpts(
                font_size=40,  # 调整字体大小
                font_weight="bold",  # 可选：字体加粗
                color="#000000"  # 可选：字体颜色
            ),
        )
    )
)

# 创建柱状图
bar = Bar(init_opts=opts.InitOpts(width="50%", height="300px"))
bar.add_xaxis(["A", "B", "C", "D", "E"])
bar.add_yaxis("类别1", [random.randint(10, 100) for _ in range(5)], color="#d94e5d")
bar.add_yaxis("类别2", [random.randint(10, 100) for _ in range(5)], color="#50a3ba")
bar.set_global_opts(
    title_opts=opts.TitleOpts(title="柱状图示例"),
    xaxis_opts=opts.AxisOpts(name="类别"),
    yaxis_opts=opts.AxisOpts(name="值"),
)

# 创建折线图
line = Line(init_opts=opts.InitOpts(width="50%", height="300px"))
line.add_xaxis(["Jan", "Feb", "Mar", "Apr", "May"])
line.add_yaxis("销售额", [random.randint(100, 500) for _ in range(5)], color="#ff7f50")
line.set_global_opts(
    title_opts=opts.TitleOpts(title="折线图示例"),
    xaxis_opts=opts.AxisOpts(name="月份"),
    yaxis_opts=opts.AxisOpts(name="销售额"),
)

# 创建饼图
pie = Pie(init_opts=opts.InitOpts(width="50%", height="300px"))
pie.add("产品占比", [("产品A", 40), ("产品B", 30), ("产品C", 20), ("产品D", 10)])
pie.set_global_opts(title_opts=opts.TitleOpts(title="饼图示例"))

# 创建散点图
scatter = Scatter(init_opts=opts.InitOpts(width="50%", height="300px"))
x_data = [random.randint(1, 100) for _ in range(30)]
y_data = [random.randint(1, 100) for _ in range(30)]
scatter.add_xaxis(x_data)
scatter.add_yaxis("散点数据", y_data, symbol_size=8, color="#ff7f50")
scatter.set_global_opts(
    title_opts=opts.TitleOpts(title="散点图示例"),
    xaxis_opts=opts.AxisOpts(name="X轴"),
    yaxis_opts=opts.AxisOpts(name="Y轴"),
)

# 使用 Page 将多个图表放在一个页面中，调整为左右布局
page = Page(layout=Page.DraggablePageLayout, page_title="综合数据展示")
page.add(big_title, bar, line, pie, scatter)

# 渲染页面到 HTML 文件
page.render("combined_chart.html")

print("所有图表已合并到 combined_chart.html 文件中。")

通过这样的方式，可以呈现出标题的样式，然后再使用拖拽式的方法，来实现最终的数据可视化看板呈现。下图就是一个完成的数据可视化看板样式。

结束语

在这篇文章中，我们深入探讨了 Pyecharts —— 一款简单易用、功能强大的 Python 数据可视化库。通过直观的图表和丰富的自定义选项，Pyecharts 不仅能够帮助我们快速生成各类图表，还能够通过精细的配置满足不同场景的需求。从基础的柱状图、折线图到复杂的地理坐标系图、3D 曲面图，Pyecharts 都能轻松驾驭，展示数据的独特魅力。作为 Python 生态中的重要可视化工具，Pyecharts 的灵活性与易用性使得它在数据分析、报表生成、科研展示等领域得到了广泛的应用。而通过与前端技术结合，它还可以将图表嵌入到网页中，让数据的可视化更具交互性和视觉冲击力。

无论是数据分析师、科学家，还是开发者、产品经理，掌握 Pyecharts 都能让你在数据可视化的道路上走得更远。随着数据量的不断增长，如何用图表讲述一个清晰、有说服力的故事已经成为我们不断追求的目标。而 Pyecharts，正是一个帮助我们实现这一目标的得力助手。希望望这篇文章能够为你打开数据可视化的新世界。如果你还没有开始使用 Pyecharts，今天就可以动手试试。通过不断尝试和探索，你会发现更多有趣的图表效果，进而提升你对数据的理解和呈现能力。

数据可视化不仅仅是让数字“好看”，更是让数据“讲故事”。在这个信息爆炸的时代，掌握数据的可视化语言，正是与世界对话的钥匙。感谢阅读，也希望你在 Pyecharts 的世界里，能够享受创作的乐趣，发现更多无限的可能性。

ZHANG RONG

Daily Archives: March 16, 2025

用 pyecharts 让数据可视化更生动

Pyecharts 背景介绍

基础图表介绍

柱状图（Bar Chart）使用介绍

代码示例

代码解析

代码解析

折线图（Line Chart）使用介绍

代码示例

代码解析

代码解析

饼图（Pie Chart）使用介绍

饼图的适用场景

代码示例

代码解析

代码示例

代码解析

散点图（Scatter Plot）使用介绍

数据示例

代码示例

代码解析

展示效果

图表排版

多个图表竖排

拖拽图表

增加标题

结束语

zr9558's Blog